運(yùn)用語(yǔ)音來(lái)控制無(wú)人機(jī)
進(jìn)行語(yǔ)音識(shí)別部分開(kāi)發(fā)的難點(diǎn)并不是識(shí)別本身，而是如何把語(yǔ)音流從運(yùn)行在我本地服務(wù)器上的網(wǎng)頁(yè)里轉(zhuǎn)換成微軟Speech API可以使用格式。下面的代碼就是實(shí)現(xiàn)這個(gè)功能的。一旦你能把語(yǔ)音保存成單聲道和以正確的采樣頻率采樣后，這個(gè)語(yǔ)音識(shí)別API就能很方便地識(shí)別語(yǔ)音內(nèi)容。這個(gè)API的花費(fèi)是1000次請(qǐng)求4美元。對(duì)于業(yè)余應(yīng)用來(lái)說(shuō)，基本相當(dāng)于是免費(fèi)了。
RecordRTC是一個(gè)很好的庫(kù)，可以用來(lái)作為以網(wǎng)頁(yè)為客戶端的語(yǔ)音采集的新手入門的工具。在客戶端，我就加入了保存語(yǔ)音文件的代碼。
app.post(‘/audio’, function(req, res) {
var form = new formidable.IncomingForm();
// 設(shè)定允許客戶在一個(gè)請(qǐng)求里上傳多個(gè)文件
form.multiples = true;
form.uploadDir = path.join(__dirname, ‘/uploads’);
form.on(‘file’, function(field, file) {
filename = “audio.wav”
fs.rename(file.path, path.join(form.uploadDir, filename));
});
// 記錄發(fā)生的錯(cuò)誤日志
form.on(‘error’, function(err) {
console.log(‘An error has occured: \n’ + err);
});
// 一旦所有文件上傳完成，才給客戶端發(fā)相應(yīng)
form.on(‘end’, function() {
res.end(‘success’);
});
// 解析出請(qǐng)求里包含的表單數(shù)據(jù)
form.parse(req)
speech.parseWav(‘uploads/audio.wav’, function(text) {
console.log(text);
controlDrone(text);
});
});
我使用FFmpeg工具來(lái)降低音頻的采樣率，并把多聲道合并成單聲道，以供微軟API使用。
exports.parseWav = function(wavPath, callback) {
var cmd = ‘ffmpeg -i ‘ + wavPath + ‘ -ar 8000 -ac 1 -y tmp.wav’;
exec(cmd, function(error, stdout, stderr) {
console.log(stderr); // command output is in stdout
});
postToOxford(callback);
});
盡管我開(kāi)發(fā)的功能就是這些，但是還是可以繼續(xù)擴(kuò)展。比如用微軟的文字變語(yǔ)音的API來(lái)讓無(wú)人機(jī)說(shuō)話！
開(kāi)發(fā)自主搜索路徑
我使用ardrone-autonomy庫(kù)來(lái)為無(wú)人機(jī)開(kāi)發(fā)自主搜索路徑。在此過(guò)程中，我無(wú)數(shù)次地把無(wú)人機(jī)弄得撞到了客廳的家具和植物上。最后，我妻子很“客氣”地建議我去車庫(kù)里繼續(xù)我的項(xiàng)目，因?yàn)槟抢餂](méi)多少可以撞的東西。但是車庫(kù)的地方有點(diǎn)小，使得操控空間有限。
圖3：在我的“實(shí)驗(yàn)室”里試飛無(wú)人機(jī)。圖片由Lukas Biewald授權(quán)使用
在我能有一個(gè)更大的實(shí)驗(yàn)空間后，我會(huì)嘗試更智能的搜索算法。不過(guò)，現(xiàn)在我還是只會(huì)讓無(wú)人機(jī)做起飛和旋轉(zhuǎn)的動(dòng)作，以此來(lái)搜索發(fā)現(xiàn)人，并識(shí)別是敵還是友。
var autonomy = require(‘ardrone-autonomy’);
var mission = autonomy.createMission({ip: ‘10.0.1.3’, frameRate: 1, imageSize: ‘640:320’});
console.log(“Here we go!”)
mission.takeoff()
.zero() // 把當(dāng)前狀態(tài)作為參考基準(zhǔn)
.altitude(1)
.taskSync(console.log(“Checkpoint 1”))
.go({x: 0, y: 0, z: 1, yaw: 90})
.taskSync(console.log(“Checkpoint 2”))
.hover(1000)
.go({x: 0, y: 0, z: 1, yaw: 180})
.taskSync(console.log(“Checkpoint 3”))
.hover(1000)
.go({x: 0, y: 0, z: 1, yaw: 270})
.taskSync(console.log(“Checkpoint 4”));
.hover(1000)
.go({x: 0, y: 0, z: 1, yaw: 0
.land()
全都搞定后的效果
看下面的視頻。我讓無(wú)人機(jī)起飛并去找我的朋友Chris:
結(jié)論
在一切都配置妥當(dāng)之后，就可以通過(guò)API來(lái)控制無(wú)人機(jī)，獲得拍攝到的視頻圖片，這一切都爽爆了！隨著新的圖像識(shí)別技術(shù)可供使用，可能的應(yīng)用必將越來(lái)越多。比如，讓無(wú)人機(jī)根據(jù)房屋平面圖來(lái)刷墻。雖然Parrot無(wú)人機(jī)并不是設(shè)計(jì)來(lái)為在狹小空間（比如我的房子）里安全飛行的，但隨著無(wú)人機(jī)越來(lái)越皮實(shí)，價(jià)格變得更低，我相信真正有用的應(yīng)用將會(huì)進(jìn)入爆發(fā)期。
微軟的認(rèn)知服務(wù)云API是相當(dāng)?shù)煤糜们冶阋?。最初我比較擔(dān)心無(wú)人機(jī)所用的廣角攝像頭所拍攝的圖片會(huì)影響人臉識(shí)別的準(zhǔn)確度，另外螺旋槳的噪聲可能會(huì)對(duì)語(yǔ)音識(shí)別產(chǎn)生干擾。但整體而言，這兩個(gè)API的表現(xiàn)遠(yuǎn)超我的期望。同時(shí)處理延遲也低于我的預(yù)期。從架構(gòu)設(shè)計(jì)角度來(lái)看，在云端運(yùn)行機(jī)器學(xué)習(xí)實(shí)時(shí)圖像處理似乎是一個(gè)奇怪的選擇，但它可能會(huì)成為未來(lái)很多應(yīng)用的架構(gòu)選擇。
Lukas Biewald
Lukas Biewald是CrowdFlower的創(chuàng)始人兼CEO。CrowdFlower始于2009年，是一個(gè)數(shù)據(jù)增強(qiáng)的平臺(tái)，可以幫助企業(yè)獲得隨需的人力來(lái)收集、產(chǎn)生訓(xùn)練數(shù)據(jù)，以及參與人-機(jī)器學(xué)習(xí)循環(huán)的工作。 在從斯坦福大學(xué)拿到數(shù)學(xué)學(xué)士和計(jì)算機(jī)科學(xué)碩士學(xué)位后，Lukas領(lǐng)導(dǎo)了雅虎日本的搜索相關(guān)團(tuán)隊(duì)。隨后他去了Powerset，作為一個(gè)資深數(shù)據(jù)科學(xué)家進(jìn)行工作。2008年P(guān)owerset被微軟收購(gòu)。Lukas還被《公司》雜志評(píng)選為30位30歲以下的著名人士。 Lukas還是一位專家級(jí)的圍棋選手。
?